Personnaliser l'autogestion du diabète - Étude pilote

De plus en plus de preuves mettent en évidence des différences significatives dans la physiologie et la fonction glycémique des individus et dans leurs circonstances culturelles, sociales et économiques qui ont un impact sur l'autogestion du diabète. Ces découvertes ont ouvert la voie à la médecine de précision, une approche permettant de personnaliser le traitement médical en fonction de la constitution génétique, des antécédents cliniques et du mode de vie d'un individu. Les méthodes d'apprentissage informatique ont été utilisées avec succès pour identifier les manifestations cliniques observables de phénotypes de maladies. Des études ont montré les avantages d'adapter non seulement le traitement médical, mais aussi les interventions comportementales ; cependant, l'adaptation repose généralement sur l'identification par des experts des variables d'adaptation et des règles de décision, ainsi que sur des enquêtes standard. Les données collectées avec l'auto-surveillance peuvent refléter plus précisément les comportements et les schémas glycémiques d'un individu, mettant ainsi en évidence leurs «phénotypes comportementaux», mais ces données sont rarement utilisées dans la personnalisation.

L'objectif continu de cette recherche est de faciliter la résolution de problèmes dans l'autogestion du diabète. Des compétences bien développées en résolution de problèmes sont essentielles à la gestion du diabète, ce qui se traduit par de meilleurs comportements d'auto-prise en charge du diabète, conduit à des améliorations des résultats cliniques et peut être favorisé par des interventions en face à face. Des recherches antérieures ont suggéré l'identification des problèmes et la génération d'alternatives comme étapes critiques dans la résolution des problèmes liés au diabète. Dans des travaux antérieurs, les enquêteurs ont développé une intervention informatique qui s'appuyait sur des connaissances générées par des experts pour aider les individus dans ces étapes de résolution de problèmes. Dans cette étude de faisabilité pilote, les enquêteurs étudient une solution alternative qui s'appuie sur l'analyse des modèles de calcul des données collectées avec des technologies d'auto-surveillance pour adapter l'assistance à la résolution de problèmes aux phénotypes comportementaux uniques des individus. L'intervention, GlucoType, utilise des méthodes d'apprentissage informatique pour identifier des schémas systématiques dans l'alimentation, l'activité physique et le sommeil des individus, capturés avec des technologies d'autosurveillance personnalisées et commerciales, et corrèle ces schémas avec les fluctuations de la glycémie des individus. GlucoType utilise ensuite ces informations pour 1) identifier les modèles de comportement associés à une excursion glycémique élevée, 2) formuler des objectifs personnalisés pour modifier ces comportements, 3) fournir une aide à la décision sur le moment pour aider les individus à être plus cohérents dans l'atteinte de leurs objectifs.